基于工業(yè)機(jī)理模型和人工智能算法的零件周期生產(chǎn)量化預(yù)測研究

李 賀，呂永松，高雷雷

(中國航發(fā)南方工業(yè)有限公司，湖南 株洲 412002)

用戶短交貨期、高質(zhì)量產(chǎn)品等需求是提高零件制造企業(yè)競爭力的重要驅(qū)動力。在零件生產(chǎn)過程中，零件的生產(chǎn)周期、生產(chǎn)量等對訂單的經(jīng)濟(jì)效益有著巨大影響。為提高企業(yè)核心競爭力，需要對零件周期生產(chǎn)能力進(jìn)行有效預(yù)測[1-2]。對零件周期生產(chǎn)能力的有效預(yù)測既能為企業(yè)制定零件周期生產(chǎn)計劃提供科學(xué)依據(jù)，又能對生產(chǎn)資源與生產(chǎn)環(huán)節(jié)的配置合理性進(jìn)行正確評估，促使其作用得以充分發(fā)揮，從而提升零件周期生產(chǎn)能力。如董海等[3]256使用蜻蜓算法與最小二乘支持向量機(jī)的方法完成量化預(yù)測，預(yù)測精度較高，但進(jìn)行每一次預(yù)測時，需進(jìn)行大量復(fù)雜條件的運算，系統(tǒng)資源消耗較大；宋宣毅等[4]138使用灰狼算法優(yōu)化的支持向量機(jī)完成量化預(yù)測，預(yù)測資源消耗較小，但針對大量生產(chǎn)數(shù)據(jù)的預(yù)測效果較差。

工業(yè)機(jī)理模型是依據(jù)生產(chǎn)對象、生產(chǎn)過程等構(gòu)建的精確數(shù)學(xué)模型，具有很好的模擬效果；卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，且學(xué)習(xí)效果十分穩(wěn)定。因此，課題組提出基于工業(yè)機(jī)理模型和人工智能算法的零件周期生產(chǎn)量化預(yù)測方法，通過對零件周期生產(chǎn)能力的有效預(yù)測，提升零件制造企業(yè)的經(jīng)濟(jì)效益，鞏固其在市場競爭中的有利地位。

1 基于工業(yè)機(jī)理模型和人工智能算法的零件周期生產(chǎn)量化預(yù)測

1.1 零件周期生產(chǎn)能力影響因素的工業(yè)機(jī)理分析

通過對零件生產(chǎn)企業(yè)的實際考察和分析，當(dāng)設(shè)備參數(shù)固定時，影響零件周期生產(chǎn)能力的因素主要表現(xiàn)在:生產(chǎn)設(shè)備維護(hù)質(zhì)量、生產(chǎn)人員的綜合素質(zhì)和生產(chǎn)技術(shù)等方面。將這些影響因素作為衡量零件周期生產(chǎn)能力的基礎(chǔ)指標(biāo)，并使用設(shè)備作業(yè)周期時間、資源單耗以及系統(tǒng)正常運行時間對其進(jìn)行量化反映，即衡量零件周期生產(chǎn)能力的量化指標(biāo)，具體影響零件周期生產(chǎn)能力的因素如圖1所示。

圖1 零件周期生產(chǎn)能力影響因素Figure 1 Influencing factors of parts cycle production capacity

1.1.1 生產(chǎn)設(shè)備維護(hù)質(zhì)量

零件生產(chǎn)系統(tǒng)中，各環(huán)節(jié)設(shè)備狀態(tài)對該系統(tǒng)正常運行具有直接影響。若某一環(huán)節(jié)設(shè)備發(fā)生故障，零件生產(chǎn)系統(tǒng)將會停止運行，從而嚴(yán)重耽擱零件生產(chǎn)進(jìn)程。因此，生產(chǎn)設(shè)備維護(hù)質(zhì)量關(guān)系著零件周期生產(chǎn)能力；生產(chǎn)設(shè)備維護(hù)質(zhì)量越高，其正常運行時間越長，零件周期生產(chǎn)能力就越強(qiáng)[5]。

1.1.2 生產(chǎn)人員的綜合素質(zhì)

生產(chǎn)人員的工作能力、態(tài)度和執(zhí)行力等，在零件生產(chǎn)過程中，極大地影響了零件周期生產(chǎn)能力；綜合素質(zhì)越高，零件生產(chǎn)進(jìn)程推進(jìn)越順利，零件周期生產(chǎn)能力就越強(qiáng)。

1.1.3 零件加工工藝

在設(shè)備參數(shù)不變的條件下，工藝參數(shù)的設(shè)置，以及熱處理、硫化和切割等加工工藝環(huán)節(jié)的標(biāo)準(zhǔn)工時均會對零件周期生產(chǎn)能力產(chǎn)生一定程度的影響。若想使設(shè)備的作用得以充分發(fā)揮，提高其零件產(chǎn)量，應(yīng)對相關(guān)工藝參數(shù)進(jìn)行合理的設(shè)置，并嚴(yán)格按照各環(huán)節(jié)標(biāo)準(zhǔn)工時進(jìn)行操作。

1.1.4 生產(chǎn)技術(shù)

生產(chǎn)技術(shù)對零件生產(chǎn)工序以及生產(chǎn)方式作出明確規(guī)定;同時零件加工時間、加工精度和人員安排等，也由生產(chǎn)技術(shù)進(jìn)行定義。因此，生產(chǎn)技術(shù)對零件周期生產(chǎn)能力起著決定性作用，不斷優(yōu)化生產(chǎn)技術(shù)，可促進(jìn)零件周期生產(chǎn)能力的提高。

1.1.5 零件質(zhì)量

零件質(zhì)量通常使用零件合格率進(jìn)行衡量：如果零件合格率較低，將產(chǎn)生延期交付、重復(fù)生產(chǎn)等多余損耗，使得零件周期生產(chǎn)能力嚴(yán)重降低[6-7]；如果零件合格率較高，不僅能提升生產(chǎn)效率，還會使交付周期與生產(chǎn)成本大大縮減，使零件周期生產(chǎn)能力得以充分發(fā)揮。

1.1.6 生產(chǎn)環(huán)境

生產(chǎn)環(huán)境主要體現(xiàn)在零件生產(chǎn)部門分工、生產(chǎn)設(shè)備安排及布局上。只有各部門分工明確，合理安排設(shè)備布局，才能保證資源的有效利用，以及零件生產(chǎn)進(jìn)程的順利推進(jìn)，提高零件周期生產(chǎn)能力。

1.1.7 生產(chǎn)方式

采取科學(xué)、合理的零件生產(chǎn)方式，可最大限度地消除冗余，保證零件周期生產(chǎn)能力的全面發(fā)揮。

1.1.8 物料

物料包括零件生產(chǎn)所需的各種物質(zhì)材料，物料的供應(yīng)情況、搬運周期等對零件生產(chǎn)具有很大影響，若在零件生產(chǎn)過程中，物料沒有及時供應(yīng)，或者搬運周期長，則會產(chǎn)生停工、生產(chǎn)進(jìn)程緩慢等問題，使零件周期生產(chǎn)能力大大降低[8]。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的零件周期生產(chǎn)量化預(yù)測方法

零件周期生產(chǎn)量化預(yù)測是多元、非線性問題，卷積神經(jīng)網(wǎng)絡(luò)具有并行性高、容錯性良好和信息處理能力強(qiáng)等優(yōu)勢[9-11]。將其引入零件周期生產(chǎn)量化預(yù)測過程中，以獲得準(zhǔn)確、可靠的預(yù)測精度[12-13]。根據(jù)文中對工業(yè)機(jī)理分析，可將零件周期生產(chǎn)量化預(yù)測近似為線性關(guān)系，將3個量化指標(biāo)作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)的輸入，零件周期生產(chǎn)能力作為卷積神經(jīng)網(wǎng)絡(luò)的輸出，具體操作如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 2 Structure of convolution neural network

零件周期生產(chǎn)能力影響因素集合為X，CNN第i層的特征因素為Hi，且H0=X。當(dāng)Hi為卷積層時的生成步驟：

Hi=f(Hi-1?Wi+bi)。

(1)

式中：第i層偏移向量為bi；權(quán)值向量為Wi；卷積運算用?描述；激勵函數(shù)為f(x)；Hi可通過對卷積輸出及bi進(jìn)行求和，并使用f(x)獲得。

當(dāng)Hi為下采樣層時：

Hi=sunsampling (Hi-1)。

(2)

卷積神經(jīng)網(wǎng)絡(luò)在進(jìn)行多次卷積與下采樣的交替操作后，使用全連接層實施分類[14]，則有

Y(i)=P(L=li|H0;(W,b))。

(3)

式中：第i個標(biāo)簽種類為li；概率分布用Y表示。

分析公式(3)可知，通過多層次的數(shù)據(jù)轉(zhuǎn)換、降維將H0映射到Y(jié)上為CNN的本質(zhì)。

設(shè)置L(W,b)描述損失函數(shù)，CNN的訓(xùn)練方向為使L(W,b)最小。使用損失函數(shù)計算前向傳導(dǎo)后的輸入H0和期望值WT間的差別，即殘差。則有：

(4)

(5)

式中：MSE (W,b)為均方誤差函數(shù)；NLL (W,b)為負(fù)對數(shù)似然函數(shù)。

引進(jìn)范數(shù)L2和參數(shù)λ，對權(quán)值過擬合及其強(qiáng)度進(jìn)行控制，使網(wǎng)絡(luò)過擬合減少，表示如下：

(6)

通過梯度下降法訓(xùn)練CNN網(wǎng)絡(luò)各層的W,b參數(shù)，能夠確保殘差在網(wǎng)絡(luò)中完成反向傳播，實現(xiàn)網(wǎng)絡(luò)不同層的全面更新[15]。學(xué)習(xí)速率η能夠?qū)埐罘聪騻鞑?qiáng)度進(jìn)行控制，表示如下：

(7)

(8)

2 結(jié)果分析

以某零件制造企業(yè)作為實驗對象，驗證零件周期生產(chǎn)量化預(yù)測的有效性與可行性。

該企業(yè)共有10條零件生產(chǎn)線，可生產(chǎn)不同型號的零件產(chǎn)品，詳情如表1所示。

表1 生產(chǎn)線詳情Table 1 Details of production line

每條生產(chǎn)線使用不同的零件加工工藝，以生產(chǎn)線2的Ring零件為例，根據(jù)加工工藝可生產(chǎn)出4種不同類型的零件，零件加工工藝各環(huán)節(jié)標(biāo)準(zhǔn)工時如表2所示。

表2 零件加工工藝各環(huán)節(jié)標(biāo)準(zhǔn)工時Table 2 Standard working hours of each link of parts processing process s

根據(jù)零件周期生產(chǎn)能力影響因素的工業(yè)機(jī)理分析可知，這些影響因素是網(wǎng)絡(luò)的輸入項，將訓(xùn)練真實值與網(wǎng)絡(luò)輸出的預(yù)測值進(jìn)行對比，驗證本研究方法的零件周期生產(chǎn)量化預(yù)測精度，其中各影響因素用1～8的自然數(shù)表示，結(jié)果如圖3所示。

圖3 訓(xùn)練結(jié)果與預(yù)測結(jié)果對比Figure 3 Comparison of training results and prediction results

由圖3可知，真實值和預(yù)測值2條曲線幾乎完全重合，表明網(wǎng)絡(luò)輸出的零件周期生產(chǎn)能力預(yù)測結(jié)果和網(wǎng)絡(luò)訓(xùn)練獲得的真實結(jié)果基本一致，誤差較小。因此本研究方法具有較高的零件周期生產(chǎn)量化預(yù)測精度，可以滿足企業(yè)生產(chǎn)要求。

設(shè)置卷積核大小為3×3，訓(xùn)練次數(shù)為200，測試不同學(xué)習(xí)速率η下，零件周期生產(chǎn)量化預(yù)測的命中率以及損失函數(shù)變化情況，結(jié)果如表3和圖4所示。

表3 不同學(xué)習(xí)速率的預(yù)測命中率Table 3 Prediction hit rate results of different learning rates

圖4 不同學(xué)習(xí)速率的損失函數(shù)變化情況Figure 4 Variation of loss function at different learning rates

分析表3可知，當(dāng)學(xué)習(xí)速率為0.100 0 Mibit/s時，預(yù)測命中率最低，僅為58.36%；當(dāng)學(xué)習(xí)速率為0.005 0 Mibit/s時，預(yù)測命中率高達(dá)95.87%。由圖4可得，當(dāng)學(xué)習(xí)速率為0.100 0 Mibit/s時，隨著訓(xùn)練次數(shù)增加，其損失函數(shù)曲線產(chǎn)生劇烈波動，收斂效果較差；當(dāng)學(xué)習(xí)速率為0.005 0 Mibit/s時，損失函數(shù)曲線較為平滑，收斂效果較好。綜合以上實驗結(jié)果，將學(xué)習(xí)速率設(shè)置為0.005 0 Mibit/s，不僅能獲得較快的收斂速度，還能獲得較高的預(yù)測命中率，從而使零件周期生產(chǎn)量化預(yù)測效果大大提升。

設(shè)置學(xué)習(xí)速率為0.005 0 Mibit/s，測試不同卷積核大小下，零件周期生產(chǎn)量化預(yù)測的命中率以及損失函數(shù)變化情況，結(jié)果分別如表4和圖5所示。

表4 不同卷積核大小的預(yù)測命中率結(jié)果Table 4 Prediction hit rate results of different convolution kernel sizes

圖5 不同卷積核大小的損失函數(shù)變化情況Figure 5 Variation of loss function with different convolution kernel sizes

分析表4可得，隨著訓(xùn)練次數(shù)增加，預(yù)測命中率呈上升趨勢，3×3卷積核的預(yù)測命中率相對較低，最高值僅為85.66%；7×7卷積核的預(yù)測命中率相對較高，最高值可達(dá)89.31%；5×5卷積核的預(yù)測命中率始終高于90.00%，當(dāng)訓(xùn)練次數(shù)增加至500時，預(yù)測命中率高達(dá)99.73%。由圖5可得，5×5卷積核的損失函數(shù)曲線能更快地達(dá)到收斂。實驗結(jié)果表明，將卷積核大小設(shè)置為5×5，可進(jìn)一步提升零件周期生產(chǎn)量化預(yù)測效果。

以表2中零件加工工藝標(biāo)準(zhǔn)工時作為測試對象，驗證零件周期生產(chǎn)量化預(yù)測效果，并設(shè)計對比實驗，選擇蜻蜓量化預(yù)測方法[3]257與灰狼量化預(yù)測方法[4]138作為本研究方法的對比方法，3種方法的零件周期生產(chǎn)量化預(yù)測結(jié)果如圖6所示。

圖6 零件周期生產(chǎn)量化預(yù)測結(jié)果對比Figure 6 Comparison of quantitative prediction results of parts cycle production

由表2可知，加工4種零件的標(biāo)準(zhǔn)工時為零件C>零件D>零件A>零件B，工時越多，零件生產(chǎn)越慢，其周期生產(chǎn)能力就越低。分析圖6可得，本研究方法的預(yù)測結(jié)果與實際結(jié)果基本相同，其它2種方法均出現(xiàn)明顯誤差。因此可以說明，本研究方法具有較高的量化預(yù)測準(zhǔn)確性，零件周期生產(chǎn)量化預(yù)測效果具有優(yōu)勢。

3 結(jié)語

信息技術(shù)和電子商務(wù)的廣泛普及，使零件制造企業(yè)間的競爭日漸激烈，為了精準(zhǔn)預(yù)測零件周期生產(chǎn)力，提高零件周期生產(chǎn)能力，課題組進(jìn)行了零件周期生產(chǎn)能力影響因素的機(jī)理分析，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，通過多層次的數(shù)據(jù)轉(zhuǎn)換、降維，將零件周期生產(chǎn)能力映射到激勵函數(shù)與損失函數(shù)上，完成基于工業(yè)機(jī)理模型和人工智能算法的零件周期生產(chǎn)量化預(yù)測方法設(shè)計，提高了量化預(yù)測精度以及零件生產(chǎn)質(zhì)量，零件周期生產(chǎn)量化預(yù)測效果較好，為制造領(lǐng)域各類生產(chǎn)問題的研究提供參考。

但是本研究尚未對機(jī)構(gòu)的零部件進(jìn)行受力分析，因此，在未來的研究中，需要針對零件生產(chǎn)過程中的力學(xué)性能，建立靜力學(xué)和動力學(xué)平衡方程，為零件供應(yīng)鏈的高效運行提供保障。